深度学习模型用于预测社区获得性肺炎患者的30天死亡率

最近在《美国放射学杂志》上发表的一项研究中，研究人员开发了一个深度学习（DL）模型，使用用于诊断的胸部X光作为输入，来估计社区获得性肺炎（CAP）患者的30天死亡风险。他们还验证了该模型在不同机构和时期的患者中的表现。 CAP是肺炎的常见原因之一，与相当大的死亡率和医疗资源利用有关。胸部X光是诊断CAP和分层风险的重要工具。 然而，由于读者之间的可变性和提取客观生物标志的困难，将胸部X光结果纳入风险预测工具一直受到一定的限制。CURB-65评分和肺炎严重指数是目前用于预测CAP患者不良结局的工具。 在这项现有的回顾性研究中，研究人员开发并对社区获得性肺炎患者的初步胸部X光进行了外部验证的深度学习模型进行了预测。该模型是为了预测CAP患者在初步胸部X光检查后的任意原因30天死亡风险。 研究涉及在单一三级转诊机构的电子病历（EMRs）中搜索在2013年3月至2019年12月之间的任何医疗保健中与CAP诊断相关的个体。团队在发展组被诊断为CAP的机构的急诊科中评估了深度学习模型，时间测试组包括2020年1月至12月期间被诊断为社区获得性肺炎的个体（947名个体）。 他们还在其他两个机构进行了模型评估，即首尔大都市政府首尔国立大学博拉马医疗中心（外部测试组A，467人）（2020年1月至3月）和中央大学医院（外部测试组B，381人）（2019年3月至2021年10月）。 该开发队列包括在任何就诊期间被诊断为CAP的患者，而随后的测试队列仅包括在急诊科就诊期间被诊断为CAP的患者。团队比较了深度学习模型和CURB-65工具的曲线下面积（AUC）值，并通过逻辑回归建模评估了组合方法的结果。 主要结果指标是CAP诊断后30天内的任意原因死亡。卷积神经网络（CNN）是基于发展组患者的胸部X光扫描来预测CAP诊断后30天死亡的模型。 模型输出表示不同时间间隔的条件生存概率，经验丰富的胸部放射科医师进行了类激活图的事后分析。 深度学习模型的参与者比例为3.0:1.0:1.0